人工智能在音樂創作中的合理運用解析

常景博（上海音越博妙科技有限公司）

隨著人類逐步邁入人工智能（AI）時代，音樂領域在藝術、審美等多個方面，也都發生了巨大變革。由“技術+藝術”共同組成的AI 音樂開始大范圍盛行，不僅塑造了全新的音樂創作模式，更推動了整個產業結構的升級。但面對現代信息技術在不斷地發展與升級，AI 技術的種類越來越多，如何能充分發揮出不同AI 技術的優勢與功能，將其合理運用于音樂創作中，助力音樂作曲、創作效率與質量的提升，仍面臨著許多的問題。

一、音樂創作中AI技術的運用模式

（一）音樂生成模式

當前，運用AI 進行音樂創作的模式，主包括音樂生成與歌聲合成兩種（如圖1所示），其中，AI 音樂生成模式主要是指機器于多層次的神經網絡當中，進行深入學習，在不斷地“學習”中，創作音樂的一個過程。

早在1974 年，從Ra-der 系統被研發出來開始，借助AI 技術進行作曲的系統就正式形成，雖然當時的AI 技術與目前的技術有很大不同，但在AI 系統中，仍能夠通過部分規則，讓機器跟隨旋律、和聲等規律生成音樂，并自動搭配音符和和聲，讓其比重更加合理。此后，隨著人們對音樂生成技術的進一步研究，能夠自動生成低音和聲的SNOBOL 系統被研發出來，然后是能夠進行巴赫風格和聲生成的CHORAL 系統。

到1993 年，借助神經網絡學習模式生成和聲的偉大系統MUSACT 產生，同年，又出現了神經網絡與“滿意度限制技術”聯合運用的ARMONET 系統，該系統可以依據旋律自動生成巴洛克風格的和聲，這些都是運用AI 創作音樂的先驅。

現如今，國外已經出現了大量平臺可以用于AI 音樂生成，如AIVA、Amper 以及Jukedeck 等。而在國內，由微軟（亞洲）分公司研發出來的AI 音樂技術，也已經投入市場，該技術同時具備了節奏、和弦以及旋律交叉等多種音樂創作功能，是一個集作曲、作詞以及編曲演唱為一體的多功能技術系統，堪比一整支樂隊，被央視、省市等綜藝、音樂節目廣泛運用，成功實現產業化與商業化。

在2017 年，蝦米音樂平臺推出“探樂計劃”，首次將AI 引入了蝦米APP，用戶可以自主進行曲風、節奏以及心情等元素選擇，從而形成個性化樂曲，實現了人機互動作曲。

（二）歌聲合成模式

歌聲合成模式其實就是語音合成衍生出來的一項新技術，二者主要區別在于有著不同的韻律預測模型。語音合成系統中，一般會有個別的音律模型，功能是依據句子語調與內容，對音節的時長與音高的曲線進行預測。而歌聲合成模式，則不再采用韻律模型，而是借助樂譜對音節、音高等進行預測，在獲取韻律的具體參數后，再融合于頻譜參數最終生成歌聲。

在國內，歌聲合成模式目前還被開發了多項趣味性的功能，比如，在中央電視臺推出的《經典詠流傳》節目中，運用了“讀詩成曲”功能，使得用戶可以進行在線互動。

2019 年，IOS、安卓分別推出了“鯨鳴”APP，都是非常典型的AI 歌聲合成APP，以唱歌為主要功能，讓用戶可以自由錄入個人聲音，再借助AI 進行自動修音，讓用戶可以創作出獨屬于個人的歌曲。

二、音樂創作中AI的運用價值

（一）可以對音樂流行趨勢進行預測

對于音樂創作而言，作品創作完成后，能夠被大眾接受與喜愛是創作最受關注的指標，這就需要充分考慮到當處或未來的音樂流行趨勢，大眾的喜好方向。

而在傳統的音樂創作中，對于音樂流行趨勢的了解，只能通過線下發放調查問卷的形式來獲得數據，而運用AI 技術，則可以直接利在互聯網當中，借助于線上大數據技術獲取相關數據，在網絡平臺當中了解最受大多喜愛的音樂作品，從而預測出音樂的流行情況。例如，英國研發的“Shazam”音樂軟件，可以預測出該年度夏季時間段最受歡迎的音樂，并排列了音樂流行榜單，通過收集、歸納近2 億多用戶的軟件使用、音樂作品聽取等多方數據進行預測，其預測結果的準確率與明顯優于人為思考，音樂創作方依據AI 預測結果對音樂的曲風、內容等進行改進與調整，就可以確保音樂作品緊跟現下的流行趨勢，從而受到更多聽眾的喜愛。

（二）讓音樂作品更有情感

音樂不僅是在表達人們的生活情形，更是表達人們的內心情感，所以，音樂本身與創作者當時的心境或者情感有著直接的相關性。在創作音樂作品時同樣如此，必須將要向聽眾傳達的思想、情感合理的融入音樂中，讓聽眾在聆聽音樂時，從中直觀的感受悲涼、歡快或傷心等情感。

例如，一場演講，對于音樂風格的需求是激動震撼，可以用大調讓音樂激昂，然后適當融入情感，讓整個旋律充滿情感，又優美、暢快。而在進行不同風格的音樂創作時，借助AI 技術就可自由注入情緒、心情，例如，在音樂軟件中輸入悲傷，AI 可以悲傷作為關鍵詞，選取合適的樂器、旋律以及風格，讓音樂作品的創造更符合聽眾的心境，讓聽眾與音樂產生情感上的共鳴。如運用智能化穿戴設備，可以直監測用戶的心率、臉部表情等，以此分析該用戶當下情緒、狀態，從而為其選擇對應的音樂作品，將音樂被賦予的情感充分展示出來，提升音樂作品的整體創作效果。

（三）促進“進化樹”的靈活運用

“進化樹”無論是在音樂創作當中，還是在音樂的作品風格研究中，都是至關重要一個工具，靈活運用音樂“進化樹”，不僅有助于梳理各類音樂作品的不同風格，還能預測出某種音樂流派未來的發展趨勢。但就傳統的人工審查或者是分析模來說，不僅效率較低，而且經常受到個人主觀影響，而運用AI 則不同，AI 技術可以借助豐富、多樣的計算機功能，通過一些更精準、更科學的計算方式或技術剖析音樂“進化樹”，不僅可以提升分析效率，還能減少人為干擾，使得分析獲取到的結果更準確、更可靠，讓音樂創作有更科學的依據參考。相關學者在一項關于音樂“進化樹”分析的研究中，引用了AI 當中的自動化定量剖析算法，分析了多種流行音樂作品的相同點，借助計算機平臺將音樂作品直接轉換為二維頻譜，從而以直觀的圖片方式顯示出來，不同作品在聲波變化當中的形狀、紋理以及頻率等都顯示得非常清晰，AI 技術還可依據“頻譜” 對比結果，對音樂作品進行分類、排序，可以從數學統計學的角度，獲取不同作品的相關性，最終以樹狀圖連線長度的形式展示作品間的相似性，比如，連線的長度越長，則作品間的相似程度就越低，越短則相似度越高。借助AI 算法就能夠準確分析出不同音樂作品、流派間風格上的關聯性，從而利用“進化樹”提升音樂創作的效率與質量。

（四）對音樂旋律進行準確識別

音樂創作需要運用的音樂知識十分豐富，不僅懂得把握音樂的旋律、節奏，還要把控好整體音調等，這些因素對于音樂作品創作完成后的整體質量有著直接的影響。

就旋律來說，AI 技術可以對音樂的旋律開展高效、準確的識別，AI 技術可以借助數學思維與方法，在某個固有音樂模式當中，抓取到音樂旋律相關的數據，然后分析對比數據，從而論證該旋律與音樂的匹配是否合理。通過對旋律準確、有效識別，能讓計算機或音樂創作儀器將已存的旋律知識合理地融合到新的音樂創作活動中，以對比方式判定創作出來新旋律與已經創作好的旋律的適配度，最終實現“聽音識曲” “聽歌識曲”等智能化功能，而這些功能實現的前提，就是AI 能夠識別音樂旋律，并進行功能融合。

但需要注意，為了確保AI 可以對音樂旋律進行高效、準確的識別，計算法一定要選擇具有緊密性、高效性的方法，才能為音樂創作的數字化、智能化發展提供助力，讓創作出來的音樂作品更具實效性。

另外，與傳統的音樂創作方式相比，AI 不僅能提升創作效率，而且能創作過程更有趣、更輕松，讓創作者更有靈感，從而提升音樂作品的質量。

三、音樂創作中主要運用的AI技術

（一）長短期記憶單元（LSTM）

LSTM 是一種十分特殊的RNN 變種結構，也被業界歸屬于反饋神經網絡范疇。為了打破RNN 循環神經網絡當中存在的梯度消失問題與爆炸形成的神經網絡，LSTM 不僅沿用了RNN 模型本身的特點，還擁有了自身的優勢。RNN 雖然可對時間的維度數據進行同步處理，但如果時間的間隔增加，信息保存過長，就會導致音樂信息的處理結果出現巨大偏差，唯有網絡存儲增大可以避免這一問題。而LSTM 擁有的特殊隱式單元，其自然行為就是長時間進行保存輸入，多增設了輸入、輸出以及忘記三個門，與常規的RNN 相比，信息更準確、更有效，該項AI 技術最初主要被用于翻譯、對話生成以及編解碼等領域。但LSTM可以對人類思維的邏輯發展與認知過程進行表征，因此，也被音樂領域認為是生成音樂系統最值得運用的一項AI技術。

（二）變分自動編碼器（VAE）

自動編碼技術主要是對具有明顯特征的數據實施壓縮與解壓完成非監督性學習的一個過程，自動編碼本身就被認為是多層次神經網絡，同時，也是一個可對相關數據進行非監督學習的自動化模型。對于音樂而言，音樂的數據并沒有明顯的被劃分為優質或劣質，故采用非監督模式更加適用，而其中的變分自動編碼器（VAE）則是自動編碼技術經過升級后得到的新模式，其在結構上類似于傳統的自動編碼技術，區別在于VAE 在編碼的過程當中，增設了部分限制節點（如圖2 所示），這樣的處理原理與音樂作曲思維的過程十分相似，從某種意義來說，作曲就是一個創作與規則同步存在的過程，因此，VAE 機制與其符合度極高。在實際音樂創作中，目前的VAE 技術，已經可以完成多聲部、動態音高以及樂器等多類信息進行分析和生成。特別是在爵士、古典音樂方面，VAE 可以直接采用爵士風格進行莫扎特相關音樂作品的演繹，從而形成一種新型混搭音樂。VAE 是目前內容生成效果最好的一項AI 技術，能夠進行多樣化形式數據的生成，尤其適用生成多聲部類型的音樂。但需要關注的是，如果數據處于多模式狀態，則運用VAE 時無法對其具體的機制進行明確，難以將離散值當中存在的一些潛性變量推理出來，這也在一程度上阻礙了該技術的發展與推廣運用，例如，處理C 大調和小調時，音階不同音的使用傾向有明顯差異，尤其是在擴展至24 音或以上時，就很難借助VAE 進行有效處理，面對這種情況，則可以采用VAE 與LSTM 聯合模式進行處理。

圖2 變分自動編碼器（圖片來源：百度圖庫）

（三）神經網絡技術（NN）

傳統的AI 技術主要是按照規則來執行相關指令的程序，也就是說以由上至下的思維模式，先分析問題，然后，再解決問題。而神經網絡（NN）則與傳統AI 的思維模式完全相反，采用的是自下而上的思維模式來分析問題，然后獲得解決方案，其典型特征是模仿人類大腦當中的神經元，進行信息相互傳遞的過程。NN 最為明顯的特征主要體現以下兩個層面。

（1）不同的神經元均能夠通過對應的輸出函數，計算出與之相鄰的神經元所對應的加權輸入數值，并對該數值進行處理。

（2）以加權值為基礎，明確表達出神經元相互之間進行的信息關聯與交互，算法處理的原則始終都是持續進行自我學習，同時不斷的完成優化與調整套。

另外，NN 的信息處理過程需要對大量數據進行訓練，因此，該技術在對數據進行處理的過程中會產生自動組織和適應功能，計算的特征主要表現為行、分布式、非線性等。

就傳統音樂創作中的人工創作而言，創作人需要先對音樂作品進行賞析，感知大量音樂作品想要表達的內涵，然后，依據音樂風格進行模仿創作，在不斷地模仿中慢慢形成不同的風格，最終實現音樂風格的完全創新，再創作出獨具個人風格的音樂作品，這個音樂創作過程中，創作者必須熟知各類與音樂創作相關的知識，例如，聲學理論、曲譜編寫技巧以及方法等，而且創作者在實際的音樂創作與訓練中，還需要他人的指導，在不斷地指導、改正以及教育中，讓自己的創作思維與模式得到慢慢完善。而這個過程其實都可以通過NN 的運用來完成模擬，且NN 這一先進的AI 技如果用于音樂創作，可以直接進行創作的思維與架構構建，在提升音樂創作效率的同時，優化音樂作品的質量。不過，NN在運作過程中，需要經過數據的輸入、輸出兩個環節（如圖3 所示），還要設置一個專門的感知器，才能確保音樂創作時對相關數據進行快速、有效的處理，最終完成音樂創作任務。

圖3 神經網絡模型圖（圖片來源：百度圖庫）

更直觀的來說，NN可以算是一個“黑盒子”，只要對這個“盒子”進行大量的訓練，也就是在輸入端持續的輸和訓練數據A，就能夠在其輸出端得到想要的數據B，只有以NN 為基礎對海量數據進行有效的分析與處理之后，才能夠獲取到最優質的答案，而這個持續進行分析的過程，就是確保輸入數據在訓練模型當中被不斷修改、優化以及完善的過程，也是確保音樂創作流程能夠高質、高效進行的關鍵助力。音樂作品從本質來說，就是一種時間與語言的結合藝術，大部分的信息都需要以時間軸為基礎進行構建，而NN 涉及著大量的網絡現實機制，能夠高效處理各項與時間軸相關的信息，所以，NN 不僅可以結合當下的實時數據進行分析，還能引入之前已經存儲過的數據開展對比，通過多層次、全面性的信息分析與處理來提升音樂創作的效果。

四、結語

總之，數字化、智能化時代已經到來，音樂領域想要緊跟時代發展，滿足新時代下受眾的新需求，運用AI 開展音樂創作已是必然趨勢。將AI 技要合理運用在音樂創作中，可以借助NN、LSTM 以及VAE 等先進AI 技術，發揮旋律識別、流行趨勢預測、音樂進化樹以及讓音樂更有情感等多種智能化功能，全面提升音樂的創作效率與質量，助力音樂產業結構的升級與發展。